Bridging Gaps: 计算神经科学（computational neuroscience）寻求整合理论、实验与AI

在2024年于罗马举行的第五届神经科学与人工智能数学国际大会上（the 5th International Convention on the Mathematics of Neuroscience and Artificial Intelligence），来自牛津大学（Oxford）、杜克大学（Duke）、洛桑联邦理工学院（EPFL）、伦敦大学学院（UCL）、马克斯·普朗克图宾根研究所（MPI Tübingen）、格拉茨工业大学（Technische Universität Graz）以及其他机构的专家小组，共同探讨了理论与计算神经科学的未来发展。该讨论由James Whittington博士和Nicolas Brunel、Mackenzie Mathis、Rafal Bogacz、Peter Dayan、Athena Akrami以及Wolfgang Maass等多位教授共同参与，围绕如何协调抽象模型与实验数据，以及在人工智能（AI）快速进步的时代中进一步明确理论的角色展开。

The Theory–Experiment Divide（理论—实验的鸿沟）

拥有数学与理论计算机科学背景的Whittington博士，率先指出了一个长期以来被认可的悖论。在物理学中，理论突破往往源于对实验数据的挑战。然而，他发现计算神经科学似乎较少受到实验结果的影响。“我们领域的理论模型通常会忽视与其假设不符的数据。”他强调，许多研究者往往在孤立的理论圈子里交换想法。这意味着，需要加强理论家与实验研究者之间的对话与合作，以重新评估诸如突触可塑性机制（synaptic plasticity mechanisms）和多巴胺（dopamine）作为预测误差信号（prediction error signal）等基础假设。

Towards Integrative and Multi-Scale Models（迈向整合性与多尺度模型）

领导融合理论与电生理实验实验室的Akrami教授对此观点表示赞同。她提及了在连接行为与神经动力学方面所面临的挑战，认为现有模型通常只关注狭窄的行为领域或特定的脑区（如海马（hippocampus）或纹状体（striatum））。“我们需要一个能涵盖不同任务与情境下行为的大图景模型。”她强调，为连接从突触交互到网络层级动态的多尺度框架（multi-scale frameworks），当务之急在于将多个层次整合起来。

与会学者一致认为，许多“简化模型（‘toy’ models）”虽然是有益的起点，但大脑本身的复杂性——再加上其漫长的进化史——要求模型既具有灵活性又必须深深植根于数据。Bogacz教授列举了著名的Hodgkin–Huxley模型，这是计算神经科学中用于模拟单个神经元的基石。然而，他指出了一个明显的差距：与单神经元动力学已经达成的共识相比，目前尚未有同样被广泛接受的突触可塑性理论模型，尽管突触可塑性在学习与行为中发挥着至关重要的作用。

The Role of Falsifiability and Normative Principles（可证伪性与规范性原则的作用）

多位小组成员强调，理论必须以可证伪的方式（falsifiable manner）来推动学科进步。Dayan教授指出，实验不仅仅是为了验证模型，更是为了严格地挑战模型。“理论应该起到过滤器的作用，”他说，“帮助我们设计实验，以进一步明确模型在何时以及为何会失效。”这一方法有助于在理论与实验之间形成建设性的反馈回路，并推动模型的逐步完善。

同时，一些专家也警告，不应将神经科学简单地视为机器学习（machine learning）的一部分。随着AI和人工神经网络（artificial neural networks）的崛起，学界有可能过度依赖这些工具，从而忽视神经回路生物学层面的复杂性。一位小组成员打趣道：“如果我们让研究经费和关注点远离天然神经计算（natural neural computation）的各种细节，那么也许将来真正理解大脑的不是我们，而是未来的AI。”

Integrating AI and Natural Science（整合AI与自然科学）

在探讨计算神经科学与AI的相互作用时，小组成员一致认为，AI方法学虽可提供强大的新见解，但并不能替代传统的、以假设驱动为核心的神经科学。相反，AI工具的整合应当与严谨的理论和实验工作互为补充。Maass教授等人提醒，如果过于匆忙地将研究范式转向机器学习，可能会简化对生物数据内在复杂性的认知。他们建议将AI视为更广泛工具组合中的一环，用于破解大脑多尺度运作机制。

Charting the Future Course（规划未来路径）

在会议即将结束之际，小组成员一致表达了对未来的共同愿景：加强跨学科合作，贯穿数学建模（mathematical modeling）、实验神经科学（experimental neuroscience）和AI。与会者提出了建立专门论坛——如研讨会和“脑观测站（brain observatories）”——以促进理论家与实验研究者之间的交流，并系统地测试全面且具有整合性的模型。大家都认为，与其回避大脑的复杂性，不如积极地拥抱，通过构建既涵盖突触层级动态又关注完整神经系统行为模式的框架来进行研究。

总而言之，小组成员强调，计算神经科学的下一次突破，很可能来自将坚实、可证伪的理论与精确、数据驱动的实验相结合，并充分借鉴飞速发展的人工智能领域的洞见。在一位与会者的简洁总结中，“要真正取得进展，我们不仅需要提出假设；更要跨越不同尺度和学科，才能完整地理解大脑的非凡能力。”